介绍Erlang的正则表达式模块re
(这个模块设计的内容都是ASCII编码, 解析的过程不涉及Unicode)
1. 正则表达式的总结:
\\ 转义字符
. 除了换行符之外匹配任意字符(默认不匹配换行符，我们可以使用dotall option来让它匹配换行符)
* 0个或者多个quantifier
+ 1个或者多个quantifier.
\\w 任意的'word'(范围是a-z,A-Z,_,0-9)
2. 使用re来测试正则表达式的匹配:
re:run(Subject,RE,Options)
这个函数的缺点是一次只能匹配Subject中一个满足条件的，如果要匹配全部，需要自己代码完成.
例如:
re:run("abcdabc", "abc", []). %% 匹配abc, 只匹配第一个, 默认offset为0
{match,[{0,3}]}
re:run("abcdabc", "abc", [{offset, 3}]). %%%% 匹配abc, 从"abcdabc" -> 的子串"dabc"
{match,[{4,3}]}
re:run("abcdabc", "abc", [{capture, all, list}]). %% 以list的形式返回结果
{match,["abc"]}
re:run("abcdabd", "ab(c|d)", [{capture, all, list}]). %% 以list的形式返回结果, 包含group
{match,["abc","c"]}
re:run("abcdabd", "ab(c|d)", [{capture, first, list}]). %% 以list的形式返回结果, 不包含group
{match,["abc"]}
re:run("abcdabd", "ab(c|d)", [{capture, first, list}, {offset, 3}]). %% 以list的形式返回结果, 不包含group, 子串匹配.
{match,["abd"]}
3. 匹配邮件地址:
一个可以匹配Subject中所有邮件地址的函数:
匹配邮件使用的正则表达式是: \\w+@\\w+\\.\\w+
(这个表达式并不完善,但是现在测试下来可以工作:)
代码:
-module(util).
-compile(export_all).
parse_email(Subject) ->
parse_email(Subject, 0, []).
parse_email(Subject, Offset, Acc) ->
RE = "\\w+@\\w+\\.\\w+", %% 匹配Email的正则表达式
case re:run(Subject, RE, [dotall, {capture, first, index}, {offset, Offset}]) of
nomatch ->
Acc;
{match, [{Index, Len}]} ->
case re:run(Subject, RE, [dotall, {capture, first, list}, {offset, Offset} ]) of
nomatch ->
error;
{match, [Match]} ->
parse_email(Subject, Index + Len, [Match|Acc])
end
end.
测试:
Subject = "liqiang@gmail.com tfs@gmail.com adfa,dasfad tfs3@gmail.com adfasd",
SubjectBin = <<"liqiang@gmail.com tfs@gmail.com adfa,dasfad tfs3@gmail.com adfasd">>,
util:parse_email(Subject).
["tfs3@gmail.com","tfs@gmail.com","liqiang@gmail.com"]
util:parse_email(SubjectBin).
["tfs3@gmail.com","tfs@gmail.com","liqiang@gmail.com"]
4. 删除HTML文档中的HTML标签:
代码:
-module(util).
-compile(export_all).
remove_html_tag(Data) ->
remove_html_tag(Data, 0).
remove_html_tag(Data, Offset) ->
case re:run(Data, "<.*?>", [dotall, {capture, first, index}, {offset, Offset}]) of
nomatch ->
Data;
{match, [{Index, _Len}]}->
%% 注意: Offset = Index, 以为长度为Len的数据已经被替换成[]
remove_html_tag(re:replace(Data, "<.*?>", "", [dotall, {return, list}]), Index)
end.
测试:
Data = "<html><body>test<font>liqiang</font>@gmail.com</body></html>",
util:remove_html_tag(Data).
"testliqiang@gmail.com" %%观察测试结果, 当前版本的解析函数存在问题(当tag去掉之后，文本内容可能连接到一起)
util:remove_html_tag(Data).
"test liqiang@gmail.com" %%观察测试结果
http://www.erlang.org/doc/man/re.html
74.125.128.82